1.基于优化粒子群算法和神经网络的柴油机故障诊断方法，其特征在于：包括粒子群算法迭代过程的优化、通过优化粒子群算法得到建立最优径向基函数神经网络的参数、构建出最优径向基函数神经网络以及用得出的最优径向基函数神经网络进行数据测试，利用优化的粒子群算法选取出径向基函数神经网络参数进行训练，得到最优径向基函数神经网络，运用最优径向基函数神经网络进行柴油机的故障诊断，具体包括如下步骤：S1、对标准粒子群算法进行优化，加快算法寻优的速度，避免算法陷入局部极值：S101、对粒子群算法的权重参数按照构建的非线性函数进行更新优化，以此加快收敛的速度，并且保证较高的精度；

S102、对粒子群算法的两个学习因子更新公式进行改进，保证粒子在运算前期具有较好的全局搜索能力，同时保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快；

S103、对粒子群算法的速度更新公式进行改进，使得如果粒子在上一次迭代中朝着全局最优方向飞行，那么在下一次迭代中的粒子飞行速度不变，否则按照速度更新公式进行更新速度；

S2、通过优化后的粒子群算法中粒子个体之间的协作，最终达到群体最优，通过个体与群体最佳位置的多次迭代，得到建立最优径向基函数神经网络的参数：S201、用构成径向基函数神经网络所需要的参数构成改进粒子群算法中的粒子；

S202、将构成的粒子代入目标函数中，得到初始适应度值；

S203、通过优化后的粒子群算法进行粒子位置及速度的更新，并计算更新之后的适应度值；

S204、判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，满足其中一项条件即可停止迭代，取当前迭代出来的粒子作为最佳粒子，用构成最佳粒子的参数作为最优径向基函数神经网络的参数；若不满足条件，则继续执行S203，直到满足结束迭代条件得出最优径向基函数神经网络参数；

S3、将训练结束的最佳粒子，赋予径向基函数神经网络，构成最优径向基函数神经网络，用得出的最优径向基函数神经网络进行数据测试，通过测试数据输入后神经网络所得到的输出对柴油机的故障情况进行诊断；

所述步骤S101中，非线性函数的惯性权重能够在算法中实现快速收敛，并且能够保证较高的精度，标准粒子群算法粒子速度位置迭代公式为：式中：i＝(1，2，3...n)，d＝(1，2，3...D)； 表示粒子i在维度d中的t+1次迭代时的速度； 表示粒子i在维度d中的t次迭代时的速度；ω表示常数的惯性因子，对惯性权重的优化策略为： 式中ωmin，ωmax分别代表惯性权重最小、最大值，分别取0.4、0.9；t表示当前迭代次数；T代表迭代最大次数；c1，c2表示为常数的学习因子；

r1，r2表示(0，1)之间的随机常数； 表示粒子i在维度d中的t次迭代时的位置； 表示粒子i在维度d中的t+1次迭代时的位置； 表示粒子i在d维度中t+1次迭代的个体最佳位置i； 表示粒子在d维度中t+1次迭代时的全局最佳位置；

所述步骤S102中，标准粒子群算法粒子速度位置迭代公式为c1，c2表示为常数的学习因子，c1在运算开始取较大值，能够让粒子在运算前期具有较好的全局搜索能力，c2在运算后期取较大值，能保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快，学习因子的优化策略如下：式中取值：c1b＝1.5，c1s＝0.7，c2s＝0.5，c2b＝2.5，均为经验取值；

所述步骤S103中，对粒子速度更新采用一种新的优化策略：式中：为t次迭代中全局最佳适应度值， 为t‑1次迭代中全局最佳适应度值，该式表示一个粒子在当前迭代中适应度值比上一次小，说明粒子正在向着最佳位置飞行，那么下一次迭代中粒子的速度不变，如果当前迭代适应度值不小于上一次迭代值，则表示粒子并未朝着最佳位置飞行，那么速度按照公式进行更新，优化过后的粒子速度位置更新公式如下：所述步骤S1中的粒子群算法对算法的粒子位置和速度迭代方式进行改进；所述步骤S2中的径向基函数神经网络参数为宽度、中心向量、连接权值；

所述步骤S202中目标函数为：

式中：M表示期望均方差；x表示输入向量；cj表示隐含层第j个神经元的中心向量；σj为第j个神经元的宽度向量，σj越大，隐含层对输入向量的影响范围就越大；||x‑cj||为欧式范数；y为网络的输出；m为隐含层节点个数；ωj为输出层神经元与第j个隐含层神经元的连接权重；n表示样本容量；yi是网络训练后的实际输出；是网络期望输出，gj(x)表示径向基函数神经网络隐含层第j个神经元的输出值，即目标函数值；目标函数值越小，代表粒子所处位置越好，构建出的径向基函数神经网络越优。